商品描述
本書系統性地介紹了人工智能的基本原理、方法和應用技術,全面反映了國內外人工智能研究領域的最新進展和發展方向。全書共12章。第1章簡要介紹了人工智能的概況。第2~6章闡述了人工智能的基本原理和方法,重點論述了知識表示、自動推理、不確定性推理、機器學習和神經網絡等。第7章和第8章介紹了專家系統、自然語言處理等應用技術。第9~11 章闡述了當前人工智能的研究熱點,包括分佈式人工智能與智慧體、智慧機器人和網絡智慧等。第12章探討了類腦智能,並展望人工智能的發展。 本書力求科學性、實用性、先進性,可讀性強。內容由淺入深、循序漸進,條理清晰,讓學生在有限的時間內掌握人工智能的基本原理與應用技術,提升對人工智能習題的求解能力。 本書可以作為高等院校電腦科學與技術、自動化、智慧科學與技術等相關專業的研究生和高年級本科生的人工智能課程教材,也可以供從事人工智能研究與應用的科技人員學習參考
目錄大綱
第2版前言
第1版前言
第1章 緒論
1.1 什麽是人工智能
1.2 人工智能的發展史
1.3 人工智能研究的基本內容
1.3.1 認知建模
1.3.2 知識表示
1.3.3 自動推理
1.3.4 機器學習
1.4 人工智能研究的主要學派
1.4.1 符號主義
1.4.2 連接主義
1.4.3 行為主義
1.5 人工智能的應用
1.6 小結和展望
習題
第2章 知識表示
2.1 知識表示概述
2.2 謂詞邏輯
2.3 產生式表示法
2.4 語義網絡
2.4.1 語義網絡的概念和結構
2.4.2 覆雜知識的表示
2.4.3 常用的語義聯系
2.5 框架
2.5.1 框架結構
2.5.2 框架網絡
2.5.3 推理方法
2.6 狀態空間
2.7 面向對象的知識表示
2.8 腳本
2.8.1 腳本描述
2.8.2 概念依賴關系
2.9 本體
2.10 小結
習題
第3章 自動推理
3.1 自動推理概述
3.2 三段論推理
3.3 盲目搜索
3.3.1 深度優先搜索
3.3.2 寬度優先搜索
3.3.3 疊代加深搜索
3.4 回溯策略
3.5 啟發式搜索
3.5.1 啟發性信息和評估函數
3.5.2 爬山算法
3.5.3 模擬退火算法
3.5.4 最好優先算法
3.5.5 通用圖搜索算法
3.5.6 A*算法
3.5.7 疊代加深A*算法
3.6 與或圖啟發式搜索
3.6.1 問題歸約的描述
3.6.2 與或圖表示
3.6.3 AO*算法
3.7 博弈搜索
3.7.1 極大極小過程
3.7.2 α-β過程
3.8 歸結演繹推理
3.8.1 子句型
3.8.2 置換和合一
3.8.3 合一算法
3.8.4 歸結式
3.8.5 歸結反演
3.8.6 答案的提取
3.8.7 歸結反演的搜索策略
3.9 產生式系統
3.9.1 產生式系統的基本結構
3.9.2 正向推理
3.9.3 反向推理
3.9.4 混合推理
3.10 自然演繹推理
3.11 非單調推理
3.11.1 默認推理
3.11.2 限制推理
3.12 小結
習題
第4章 不確定性推理
4.1 不確定性推理概述
4.1.1 不確定性知識分類
4.1.2 不確定性推理的基本問題
4.1.3 不確定性推理方法分類
4.2 可信度方法
4.2.1 建造醫學專家系統時的問題
4.2.2 可信度模型
4.2.3 確定性方法的說明
4.3 主觀貝葉斯方法
4.3.1 貝葉斯公式
4.3.2 知識不確定性的表示
4.3.3 證據不確定性的表示
4.3.4 組合證據不確定性的計算
4.3.5 不確定性的傳遞算法
4.3.6 結論不確定性的合成
4.4 證據理論
4.4.1 假設的不確定性
4.4.2 證據的組合函數
4.4.3 規則的不確定性
4.4.4 不確定性的組合
4.5 模糊邏輯和模糊推理
4.5.1 模糊集合及其運算
4.5.2 語言變量
4.5.3 模糊邏輯
4.5.4 模糊推理
4.6 小結
習題
第5章 機器學習
5.1 機器學習概述
5.1.1 簡單的學習模型
5.1.2 什麽是機器學習
5.1.3 機器學習的研究概況
5.2 歸納學習
5.2.1 歸納學習的基本概念
5.2.2 變型空間學習
5.2.3 決策樹
5.3 類比學習
5.3.1 相似性
5.3.2 轉換類比
5.3.3 基於案例的推理
5.3.4 遷移學習
5.4 統計學習
5.4.1 邏輯回歸
5.4.2 支持向量機
5.4.3 提升方法
5.5 強化學習
5.5.1 強化學習模型
5.5.2 學習自動機
5.5.3 自適應動態程序設計
5.5.4 Q-學習
5.6 進化計算
5.6.1 達爾文進化算法
5.6.2 遺傳算法
5.6.3 進化策略
5.6.4 進化規劃
5.7 群體智能
5.7.1 蟻群算法
5.7.2 粒子群優化
5.8 聯邦學習
5.9 知識發現
5.10 小結
習題
第6章 神經網絡
6.1 神經網絡概述
6.2 神經信息處理的基本原理
6.3 感知機
6.3.1 基本神經元
6.3.2 感知機模型
6.4 前饋神經網絡
6.4.1 前饋神經網絡模型
6.4.2 誤差反向傳播算法
6.4.3 BP算法的若幹改進
6.5 Hopfield網絡
6.5.1 離散Hopfield網絡
6.5.2 連續Hopfield網絡
6.6 隨機神經網絡
6.6.1 模擬退火算法
6.6.2 玻耳茲曼機
6.7 深度學習
6.7.1 人腦視覺機理
6.7.2 自編碼器
6.7.3 受限玻耳茲曼機
6.7.4 深度信念網絡
6.7.5 捲積神經網絡
6.8 自組織神經網絡
6.8.1 網絡的拓撲結構
6.8.2 網絡自組織算法
6.8.3 監督學習
6.9 小結
習題
第7章 專家系統
7.1 專家系統概述
7.1.1 什麽是專家系統
7.1.2 專家系統的特點
7.1.3 專家系統的發展史
7.2 專家系統的基本結構
7.3 專家系統MYCIN
7.3.1 咨詢子系統
7.3.2 靜態數據庫
7.3.3 控制策